論文の概要: Lite ENSAM: a lightweight cancer segmentation model for 3D Computed Tomography

• arxiv url: http://arxiv.org/abs/2511.01600v1
• Date: Mon, 03 Nov 2025 14:01:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.287341
• Title: Lite ENSAM: a lightweight cancer segmentation model for 3D Computed Tomography
• Title（参考訳）: Lite ENSAM:3次元CTのための軽量癌セグメンテーションモデル
• Authors: Agnar Martin Bjørnstad, Elias Stenhede, Arian Ranjbar,
• Abstract要約: 本稿では,ReCISTアノテーションを付加したCTスキャンから高効率な体積性腫瘍分画を実現するために,ENAMアーキテクチャを軽量に適応したLite ENSAMを提案する。 Lite ENSAM は MICCAI FLARE 2025 Task 1: Pan-cancer in CT Scans, Subtask 2 に提出され、60.7%の類似性係数(DSC)、63.6%の正規化表面ディス(NSD)を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate tumor size measurement is a cornerstone of evaluating cancer treatment response. The most widely adopted standard for this purpose is the Response Evaluation Criteria in Solid Tumors (RECIST) v1.1, which relies on measuring the longest tumor diameter in a single plane. However, volumetric measurements have been shown to provide a more reliable assessment of treatment effect. Their clinical adoption has been limited, though, due to the labor-intensive nature of manual volumetric annotation. In this paper, we present Lite ENSAM, a lightweight adaptation of the ENSAM architecture designed for efficient volumetric tumor segmentation from CT scans annotated with RECIST annotations. Lite ENSAM was submitted to the MICCAI FLARE 2025 Task 1: Pan-cancer Segmentation in CT Scans, Subtask 2, where it achieved a Dice Similarity Coefficient (DSC) of 60.7% and a Normalized Surface Dice (NSD) of 63.6% on the hidden test set, and an average total RAM time of 50.6 GBs and an average inference time of 14.4 s on CPU on the public validation dataset.
• Abstract（参考訳）: 正確な腫瘍径測定は、がん治療反応を評価するための基礎となる。 この目的のために最も広く採用されている標準は、固体腫瘍の反応評価基準(RECIST v1.1)である。 しかし、体積測定は治療効果の信頼性を高めることが示されている。 しかし,手動容積アノテーションの労働集約性のため,臨床応用は限られている。 本稿では,ReCISTアノテーションを付加したCTスキャンから高効率な体積性腫瘍セグメント化を実現するために,ENAMアーキテクチャを軽量に適応したLite ENSAMを提案する。 Lite ENSAM は MICCAI FLARE 2025 Task 1: Pan-cancer Segmentation in CT Scans, Subtask 2 に提出され、60.7%のDice similarity Coefficient (DSC) と63.6%の正規化Surface Dice (NSD) を隠しテストセットで達成した。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Lightweight MRI-Based Automated Segmentation of Pancreatic Cancer with Auto3DSeg [0.0]
  SegResNetモデルは、2025年のPANTHER Challengeの一環として、2つのMRIベースの膵腫瘍セグメンテーションタスクで訓練され、評価された。 性能はやや低かったが, 自動デライン化の可能性を示した。
  論文  参考訳（メタデータ） (2025-08-28T21:38:06Z)
• Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets [6.712251433139412]
  医用画像基盤モデルは、極小調整で臓器や腫瘍を分割する能力を示している。 これらのモデルは通常、タスク固有の分散(ID)データセットで評価される。 我々は、自己教師付き学習(SSL)で訓練された複数の基礎モデルの性能を評価するために、計算的に高速なメトリクスの包括的セットを導入する。 SMITは最も高いF1スコア(LRAD: 0.60, 5Rater: 0.64)と低いエントロピー(LRAD: 0.06, 5Rater: 0.12)を生成し、高い腫瘍検出率と確実なセグメンテーションを示した。
  論文  参考訳（メタデータ） (2024-03-19T19:36:48Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• CARE: A Large Scale CT Image Dataset and Clinical Applicable Benchmark Model for Rectal Cancer Segmentation [8.728236864462302]
  CT画像の直腸癌セグメンテーションは、タイムリーな臨床診断、放射線治療、経過観察において重要な役割を担っている。 これらの障害は直腸の複雑な解剖学的構造と直腸癌の鑑別診断の困難から生じる。 これらの課題に対処するため,本研究では,正常直腸と癌直腸の両方にピクセルレベルのアノテーションを付加した,新しい大規模直腸癌CT画像データセットCAREを導入する。 また,U-SAMと命名された新しい癌病変セグメンテーションベンチマークモデルを提案する。 このモデルは、迅速な情報を取り入れることで、腹部器官の複雑な解剖学的構造によって引き起こされる課題に対処するように設計されている。
  論文  参考訳（メタデータ） (2023-08-16T10:51:27Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。